Transformasi digital di industri ritel menghasilkan akumulasi data pelanggan berskala besar yang memerlukan analisis cerdas untuk ekstraksi insight bernilai. Segmentasi tradisional berbasis demografi sering kali tidak memadai untuk menangkap kompleksitas perilaku konsumen modern. Penelitian ini bertujuan mengembangkan model segmentasi pelanggan supermarket yang akurat dan dapat ditindaklanjuti dengan mengintegrasikan teknik reduksi dimensi Principal Component Analysis (PCA) dan algoritma clustering K-Means. Metodologi yang diterapkan mencakup tahapan preprocessing data, reduksi dimensi dengan PCA, determinasi kluster optimal menggunakan pendekatan multi-metrik (Elbow Method, Silhouette Score, Davies-Bouldin Index), pelatihan model K-Means++, serta evaluasi dan interpretasi hasil. Dataset yang digunakan adalah Mall Customer Segmentation Data (200 sampel, 5 fitur). Hasil eksperimen menunjukkan bahwa integrasi PCA dan K-Means berhasil mengidentifikasi lima segmen pelanggan yang berbeda secara signifikan (p-value < 0.001) dengan karakteristik unik: The AffluentYouth (19.5%), The Budget-Conscious Middle-Aged (17.5%), The Moderate-Spending Seniors (11.0%), The High-Spending Low-Income Youth (22.0%), dan The Wealthy Savers (30.0%). Model mencapai Silhouette Score 0.55 dan Davies-Bouldin Index 0.71, menunjukkan kualitas clustering yang baik. Analisis komparatif mengungkap peningkatan kinerja sebesar 14.6% dibandingkan penerapan K-Means tanpa PCA. Temuan ini memberikan dasar berbasis data untuk strategi pemasaran terpersonalisasi, manajemen inventaris, dan pengembangan program loyalitas di supermarket.